光伏电站输出功率预测研究

发布时间：2017-10-23 03:00

  本文关键词：光伏电站输出功率预测研究

  更多相关文章： 人工神经网络 灰色系统模型 相似日 相邻日

【摘要】：光伏发电作为一种具有广阔应用前景的清洁能源应用形式,提高光伏发电的渗透率是未来长期的非化石能源的发展目标。光伏发电易受到外界因素的影响,其输出功率具有波动性,间歇性和周期性。因此当光伏发电透率率不断提高时,将对电能质量产生严重影响。通过提高对光伏输出功率进行预测的准确度,能够有效的减轻光伏并网对电网产生的冲击,实现光伏友好并网,减少“弃光”现象。进而达到充分利用太阳能,降低化石能源的使用,实现能源结构转型的目的。本文围绕着光伏输出功率预测展开研究。通过对光伏输出功率预测的研究背景和研究现状进行梳理,讨论了光伏发电输出功率预测研究中存在的不足和问题。针对这些问题,本文做了以下工作。为了提高光伏输出功率的预测精度,对光伏数据进行处理分析。首先对原始光伏历史数据中的异常数据进行预处理,并提出相应的修正措施。然后进行了通过PVsyst软件,对不同条件下的太阳能电池的输出性能进行仿真模拟。并结合实例,确定各个因素对光伏输出功率的影响程度。在阐述了偏差比的概念后,通过实例,确定了四种广义天气类型的平均偏差比。然后通过实例,对构成神经网络训练的相似日样本与灰色系统建模的相邻日样本进行分析。为了确定光伏输出功率预测的最优模型,本文首先比较了BP神经网络与RBF神经网络的预测性能,结果表明BP神经网络的预测性能优于RBF神经网络。在此基础上,针对相似日样本难以反映光伏输出功率随时间的变化,提出一种基于灰色系统校正的BP神经网络预测模型,即以平均偏差比进行平滑处理后的相邻日功率建立离散灰色系统模型(gray model, GM),进行日总功率预测并获得及其判断区间。最后以日总功率值的合理区间为标准对累加功率值进行校正,得到校正后的各时段的预测值。算例结果验证了所提校正方法的有效性。最后介绍了光伏监控系统中光伏输出功率预测模块的编程实现。
【关键词】：人工神经网络 灰色系统模型 相似日 相邻日
【学位授予单位】：合肥工业大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TM615
【目录】：

• 致谢7-8
• 摘要8-9
• ABSTRACT9-15
• 第一章 绪论15-22
• 1.1 课题研究背景及意义15-18
• 1.1.1 课题研究背景15-17
• 1.1.2 课题研究意义17-18
• 1.2 国内外研究现状及存在问题18-21
• 1.2.1 光伏输出功率预测的研究现状18-20
• 1.2.2 光伏输出功率预测的现存问题20-21
• 1.3 本文主要工作21-22
• 第二章 基本原理和预测理论22-34
• 2.1 概论22
• 2.2 光伏发电基本原理22-24
• 2.3 人工神经网络24-31
• 2.3.1 BP神经网络27-29
• 2.3.2 RBF神经网络29-31
• 2.4 灰色系统理论31-33
• 2.5 本章小结33-34
• 第三章 光伏历史数据处理和特性分析34-52
• 3.1 概述34
• 3.2 光伏功率数据处理34-37
• 3.3 太阳能电池输出特性分析37-41
• 3.4 光伏发电系统影响因素分析41-45
• 3.5 天气类型分析45-49
• 3.6 相邻日和相似日49-50
• 3.7 本章小结50-52
• 第四章 功率预测方法实现和算例52-62
• 4.1 概述52
• 4.2 单一光伏输出功率预测模型52-57
• 4.2.1 单一光伏输出功率预测模型52-55
• 4.2.2 预测结果对比分析55-57
• 4.3 组合光伏输出功率预测模型57-61
• 4.3.1 组合光伏输出功率预测模型57-59
• 4.3.2 预测结果对比分析59-61
• 4.4 本章小结61-62
• 第五章 监控系统中功率预测模块设计62-71
• 5.1 概述62
• 5.2 光伏监控系统开发的必要性62
• 5.3 光伏监控系统的组成及功能62-64
• 5.4 光伏监控系统中预测界面设计64-68
• 5.5 光伏监控系统中预测类图设计68-70
• 5.6 本章小结70-71
• 第六章 总结和展望71-73
• 6.1 总结71
• 6.2 展望71-73
• 参考文献73-77
• 攻读硕士学位期间的学术活动及成果情况77

【参考文献】

中国期刊全文数据库 前10条

1 白国振;俞洁皓;;基于改进模糊神经网络的PID参数自整定[J];计算机应用研究;2016年11期

2 李燕斌;张久菊;肖俊明;;灰色-马尔可夫链统计组合模型在光伏发电功率短期预测中的应用[J];电测与仪表;2015年23期

3 包宇庆;李扬;杨斌;陈楚;阮文骏;;基于神经网络的日峰荷预测方法中日期类型系数的确定（英文）[J];中国电机工程学报;2015年22期

4 郭强;朱若函;张晓萌;;基于遗传禁忌算法优化的模糊神经网络垂直切换算法[J];计算机应用研究;2016年03期

5 叶林;陈政;赵永宁;朱倩雯;;基于遗传算法—模糊径向基神经网络的光伏发电功率预测模型[J];电力系统自动化;2015年16期

6 李卫;席林;毕佳;;基于ANFIS模型的光伏电站辐照度超短期预测[J];上海电气技术;2014年04期

7 陈雪娟;吴春华;李智华;袁同浩;冯夏云;;基于灰色预测的光伏组件阴影类型诊断研究[J];电网技术;2014年12期

8 罗建春;晁勤;罗洪;冉鸿;杨杰;罗庆;阿里努尔·阿木提;;基于LVQ-GA-BP神经网络光伏电站出力短期预测[J];电力系统保护与控制;2014年13期

9 王贺;胡志坚;张翌晖;李晨;杨楠;王战胜;;基于聚类经验模态分解和最小二乘支持向量机的短期风速组合预测[J];电工技术学报;2014年04期

10 杨志超;朱峰;张成龙;葛乐;袁晓冬;;基于自适应模糊时间序列法的光伏发电短期功率预测[J];南京工程学院学报(自然科学版);2014年01期

，

本文编号：1081258